每家公司都充满了数据。他们环顾四周,看到行业正在发生创新。高管们听取了客户关于人工智能战略的意见。

数据是公司的宝贵资产

管理层认为竞争对手采用人工智能解决方案,并将关键举措纳入其可寻址市场。由于所有这些背景噪音,管理层的直接反应是得出结论,我们必须对我们的数据做些什么,让我们去雇用一些数据科学家。这与十年前移动设备非常热门时没有什么不同,我们的想法是聘请一位能为该公司疯狂推出移动应用程序的移动开发人员。您假设机器学习是解决方案,并正在寻找它可以解决的问题。

我们要解决的问题是什么?

机器学习并不神奇。机器学习是一种解决方案。人们必须明确我们正在解决的问题是什么。

谨防使用像机器学习这样的热门技术寻找可以解决的问题的诱惑。或者在没有提出问题的情况下找到问题,问题是否足以解决和投入资源问题。机器学习就像一个钻头。您使用的钻头取决于您尝试解决的问题。

定义您要解决的问题,您期望实现的业务成果以及您试图为客户找到的好处非常重要。一旦明确定义了问题,就可以开始考虑我们需要的数据,要创建的模型,要使用的算法,基于预测洞察力的洞察力和采取的行动。

产品经理协作

定义要解决的问题是产品经理与业务利益相关者需要建立的问题。产品经理应该进行初始客户访谈,以了解客户的关键痛点,以验证他们正在解决的问题。

深入了解客户的意图

在获得客户反馈时,必须根据客户所阐述的用例找到问题的根源。例如,客户可能会问我可以将此数据(预测性洞察)导出到CSV文件中吗?

我们可以认为我们需要CSV数据导出功能。或许我们可以深入挖掘,他们可能希望这样做的原因是他们希望将预测的洞察力直接加载到他们的CRM应用程序中,以便他们采取行动。因此,真正的特征是通过与CRM系统进行更深层次的集成来驱动某些操作,而不是将数据导出为CSV,从而实现预测性洞察。产品经理的职责是深入挖掘这种洞察力。

预测框架:预测业务问题的示例

产品经理通过查看具有良好投资回报率的常见/流行问题来考虑添加预测性见解的框架。

下面的示例/框架不是要构建的模型。它们是我们可以解决的流行问题的例子。

简单的示例应用

假设您拥有在会计空间中销售的现有产品。您可以解决的问题可能会使您的解决方案与竞争对手区分开来,这些问题就像是

分类

  • 该客户是否会默认付款?
  • 这位客户会按时支付发票吗?

预测

  • 下个月的总支出是多少?

聚类

  • 根据客户人口统计和购买行为细分客户,以便更好地与客户建立联系

不规则

  • 这张发票看起来很奇怪吗?

如果你看一下上面的内容,我们不是在谈论要构建什么模型,使用什么算法或我们需要什么数据。我们正在确定要解决哪些问题以及哪些问题对您的客户有价值,并有助于推动您的业务发展。

如果上述问题为您的客户增加价值,请与您的客户进行验证。验证这些是否有助于您的业务成果。一旦获得了一些好的反馈,您就可以继续下一步,简单地将POC用于验证产品市场契合的想法。

总结

从您要解决的问题开始。确定它为客户带来的好处。定义它如何帮助推动业务成果。不要害怕尝试。实验有助于获得早期反馈,有助于节省时间和金钱,并有助于纠正产品的愿景和方向。

本文转自 medium,原文地址

easyai公众号